详解PyTorch可视化工具visdom（一）
大家好，又见面了，我是你们的朋友全栈君。
一、介绍
在深度学习领域，模型训练是一个必须的过程，因此常常需要实时监听并可视化一些数据，如损失值loss，正确率acc等。在Tensorflow中，最常使用的工具非Tensorboard莫属；在Pytorch中，也有类似的TensorboardX，但据说其在张量数据加载的效率方面不如visdom。visdom是FaceBook开发的一款可视化工具，其实质是一款在网页端的web服务器，对Pytorch的支持较好。
二、如何安装及启动
2.1 安装
- 安装命令
pip install visdom- 安装成功的界面如下图所示
在这里插入图片描述
安装成功后，我们需要将visdom启动。
2.2 启动
类似于TensorFlow的TensorBoard，要使用Visdom，就要先在终端开启监听命令
- vidsom启动命令
python -m visdom.server- visdom成功启动后，会返回一个网址，根据显示的网址然后在浏览器里输入：http://localhost:8097 进行登录
在这里插入图片描述
- 进入后，会显示visdom的主界面
在这里插入图片描述
三、Visdom可视化神经网络训练过程
首先，我们需要导入Visdom及所需的其它库
from visdom import Visdom
import numpy as np
import timeVisdom可视化神经网络的训练过程大致分为3步：
- 实例化一个窗口
- 初始化窗口的信息
- 更新监听的信息
3.1 监听单一数据
- 示例：监听train_loss的变化
# 实例化一个窗口
wind = Visdom()
# 初始化窗口信息
wind.line([0.], # Y的第一个点的坐标
[0.], # X的第一个点的坐标
win = 'train_loss', # 窗口的名称
opts = dict(title = 'train_loss') # 图像的标例
)
# 更新数据
for step in range(10):
# 随机获取loss,这里只是模拟实现
loss = np.random.randn() * 0.5 + 2
wind.line([loss],[step],win = 'train_loss',update = 'append')
time.sleep(0.5)- 运行结果：此时打开visdom的主界面，会发现窗口train_loss已经显示出来了
在这里插入图片描述
3.2 监听多条数据
- 示例：监听train_loss和acc
# 实例化窗口
wind = Visdom()
# 初始化窗口参数
wind.line([{
0.,0.]],[0.],win = 'train',opts = dict(title = 'loss&acc',legend = ['loss','acc']))
# 更新窗口数据
for step in range(10):
loss = 0.2 * np.random.randn() + 1
acc = 0.1 * np.random.randn() + 0.5
wind.line([[loss, acc]],[step],win = 'train',update = 'append')
time.sleep(0.5)- 运行结果
在这里插入图片描述
四、Visdom可视化图像
在处理图像数据时，可以使用visdom对图像进行可视化
- 首先，导入相关的包
from visdom import Visdom
import cv2
import numpy as np
import torch- 案例
# 读入图像
image = cv2.imread('E://桌面.jpg')
# openCV按照BGR读取，而visdom 默认按照RGB显示,因此要进行通道转换
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# visdom类似于pytorch中的卷积模型，接收的数据都要求通道数在前
img = np.transpose(img, (2, 0, 1))
# 将numpy类型转换为torch类型
img = torch.from_numpy(img)
# 可视化图像
viz.image(img, win='pkq')- 运行结果 大家显示的图片各不相同，在这里就不演示了！大家自行演示！
下一篇更新visdom可视化数据集和通过具体的训练过程通过visdom可视化！！！！！
参考文献
http://www.dengb.com/Pythonjc/1354056.html https://www.it610.com/article/1293748846370824192.htm
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/124860.html原文链接：https://javaforall.cn
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2022年4月4，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录